Mitigating the influence of environmental variability by using machine learning for structural health monitoring applications

Structural Health Monitoring (SHM) is a critical process that involves various sensing and data analytics techniques to evaluate the current state of a structure's health and detect any damage at the earliest possible stage. However, structures are constantly subjected to varying environmental and operational conditions that induce changes in their dynamic response, posing significant challenges for accurate SHM damage detection. One possible solution by developing hybrid machine learning techniques to isolate indicators of structural damage from environmental impacts in SHM data is proposed, and demonstrated on a case study of a Livenza railway bridge monitoring system. A local outlier removing function is used to mitigate the operational variability and Dynamic regression with time lag of 24 hours prove optimal in predicting bridge response from temporal environmental patterns thereby removing environmental variability. Further filtering residuals with principal component analysis removes remaining unmeasured variability. Simulated damage scenarios validate the integrated methodology's ability to extract damage-reflecting residuals by separating environmental and mechanical variability.

Il monitoraggio dello stato di salute delle strutture (Structural Health Monitoring, SHM) è un processo critico che coinvolge varie tecniche di rilevamento e analisi dei dati per valutare lo stato di salute attuale di una struttura e rilevare eventuali danni nella fase più precoce possibile. Tuttavia, le strutture sono costantemente soggette a condizioni ambientali e operative variabili che inducono cambiamenti nella loro risposta dinamica, ponendo sfide significative per un accurato rilevamento dei danni SHM. Viene proposta una possibile soluzione sviluppando tecniche ibride di apprendimento automatico per isolare gli indicatori di danno strutturale dagli impatti ambientali nei dati SHM, dimostrata su un caso di studio del sistema di monitoraggio di un ponte ferroviario Livenza. Per attenuare la variabilità operativa viene utilizzata una funzione di rimozione degli outlier locali e la regressione dinamica con un ritardo temporale di 24 ore si dimostra ottimale nel prevedere la risposta del ponte dai modelli ambientali temporali, eliminando così la variabilità ambientale. Un ulteriore filtraggio dei residui con l'analisi delle componenti principali rimuove la variabilità non misurata rimanente. Gli scenari di danno simulati convalidano la capacità della metodologia integrata di estrarre i residui che riflettono il danno, separando la variabilità ambientale da quella meccanica.